IA SostenibleCómo evaluar el impacto ambiental de un proyecto de IA antes de empezar
Empieza por la pregunta: ¿hace falta IA?
La evaluación más eficaz es la que cuestiona la necesidad. Antes de estimar consumos, comprueba si el problema se resuelve con un método más simple: una regla, una consulta a una base de datos, una hoja de cálculo o un proceso mejor organizado.
No se trata de rechazar la IA, sino de justificar su uso. Anota el objetivo, qué mejora concreta se espera, cómo se medirá y qué ocurriría sin el proyecto. Si no puedes describir el beneficio de forma medible, es difícil defender que compense el coste ambiental, sea cual sea. Esta pregunta inicial evita más impacto que cualquier optimización posterior.
Dedica a esta fase un esfuerzo proporcionado al tamaño del proyecto: una hora de reflexión puede ahorrar meses de trabajo innecesario.
Define el alcance: qué fases y qué límites
El impacto de la IA tiene varias fases: preparación de datos, entrenamiento o ajuste, uso o inferencia, almacenamiento, y fabricación y fin de vida del hardware. El peso de cada una varía mucho según el caso: un modelo que se entrena una vez y se usa millones de veces no se parece a uno que se reentrena a diario.
Decide qué incluyes y qué dejas fuera, y deja constancia. Un alcance explícito permite comparar alternativas con criterio y evita el error de contar solo la fase más fácil de medir. Si usas un servicio de terceros, anota qué parte queda bajo tu control y cuál depende del proveedor.
Un buen alcance también deja claro qué decisiones están en tus manos y cuáles dependen del proveedor.
Compara alternativas de diseño
Con el alcance fijado, compara al menos tres opciones: no usar IA, usar un modelo existente tal cual y desarrollar o ajustar uno propio. Para cada una, valora cualitativamente el consumo previsible de cómputo, la necesidad de hardware nuevo, la cantidad de datos y la frecuencia de reentrenamiento.
En general, reutilizar un modelo existente, elegir un tamaño adecuado a la tarea y limitar la frecuencia de uso reducen el cómputo frente a entrenar desde cero, aunque el resultado exacto varía mucho según el modelo, el hardware y la red eléctrica. No afirmes cifras de ahorro sin medirlas: la comparación cualitativa ya orienta la decisión.
Si el proveedor no facilita datos, anótalo como limitación y compara las alternativas con criterios cualitativos.
Estima la energía con honestidad
Para estimar, parte de lo que puedas medir o pedir: horas de cómputo previstas, tipo de equipo, ubicación del centro de datos y datos de consumo que facilite el proveedor. Documenta los supuestos y expresa el resultado como un rango, no como un número exacto.
Ten en cuenta el contexto. La Agencia Internacional de la Energía proyecta que la demanda eléctrica de los centros de datos superaría el doble de la cifra actual y llegaría a cerca de 945 TWh hacia 2030 en su caso base, y plantea para 2035 escenarios de unos 700 a unos 1.700 TWh. La horquilla es amplia porque la incertidumbre lo es; tu estimación también tendrá incertidumbre, y reconocerla es parte del rigor.
Revisa la estimación cuando el proyecto cambie de tamaño o de proveedor, porque los supuestos iniciales dejan de valer.
Electricidad, agua y hardware
La electricidad depende de la red. En España, en 2024, el 56,8 % de la generación eléctrica procedió de fuentes renovables según Red Eléctrica y las emisiones de la generación fueron de 27 millones de toneladas de CO2 equivalente. Son datos anuales: el mix cambia cada año y cada hora, y no hay que usar un factor por kWh sin fuente.
No olvides el agua, que varía con la refrigeración y el clima, y el hardware. En 2022 se generaron unos 62 millones de toneladas de equipos electrónicos en desuso y solo se documentó el reciclaje formal del 22,3 %. Planifica la vida útil de los equipos, la reutilización y el fin de vida, y prioriza el uso de infraestructura ya existente cuando sea posible.
Todos estos elementos pueden caber en una tabla sencilla con supuestos y fuentes, fácil de revisar por terceros.
Beneficios, efecto rebote y objetivos
Si el proyecto promete ahorros, estima el beneficio con el mismo rigor que el coste. La Agencia Internacional de la Energía considera un potencial de evitar 1.400 Mt de CO2 en 2035 con la adopción generalizada de aplicaciones existentes, pero advierte de que es un potencial y de que no considera efectos rebote.
Aplícalo a tu caso: ¿el sistema ahorrará recursos o hará que se use más? ¿Qué parte del beneficio depende de decisiones que no controlas? Relaciona el proyecto con los Objetivos de Desarrollo Sostenible más ligados, como energía (ODS 7), clima (ODS 13) y producción y consumo (ODS 12), sabiendo que esa selección es interpretación editorial.
Sé cauto con las cifras de beneficio que no hayan sido comprobadas en un caso comparable al tuyo.
Decide, documenta y revisa
Cierra la evaluación con una decisión explícita y criterios de revisión. Un modelo sencillo es una ficha de una página que recoja el objetivo, el alcance, las alternativas, las estimaciones con sus supuestos, los riesgos y las condiciones para continuar o parar.
- Define umbrales a partir de los cuales se reconsidera el proyecto.
- Fija cuándo se medirá el consumo real y quién lo hará.
- Compara lo estimado con lo medido y corrige el método.
- Conserva la ficha como parte de la gobernanza del proyecto.
Es una guía informativa; para obligaciones legales concretas, consulta a un profesional.
Estas decisiones son mucho más baratas antes de comprometer presupuesto, y se pueden documentar en un solo folio.
Preguntas frecuentes
¿Cuándo es más útil evaluar el impacto ambiental de un proyecto de IA?
Antes de empezar, cuando todavía se pueden cambiar el diseño, el tamaño del modelo, el proveedor y la ubicación. Una vez contratados los recursos y construido el sistema, las opciones de reducción son mucho más limitadas.
¿Hace falta medir exactamente la energía para evaluar?
No. Una estimación en forma de rango, con supuestos documentados, es válida si reconoce su incertidumbre. Lo importante es comparar alternativas con el mismo criterio y contrastar después la estimación con medidas reales.
¿Qué se suele olvidar en estas evaluaciones?
La fabricación y el fin de vida del hardware, el agua, el reentrenamiento periódico y el efecto rebote. Medir solo la electricidad de la fase de uso da una imagen incompleta del impacto total.
Guías relacionadas
- Política de IA sostenible en una organización: contenido y gobernanza: Qué debe incluir una política de IA sostenible, quién la gobierna y cómo aplicarla en la práctica, con referencias al marco europeo y español.
- Greenwashing con IA: cómo detectarlo y evitarlo: Señales de afirmaciones ambientales engañosas sobre IA, preguntas para comprobarlas y buenas prácticas para no caer en el greenwashing en tu organización.
- La transparencia energética de los centros de datos en la UE: Qué deben comunicar los centros de datos de 500 kW o más en la UE, qué indicadores se recogen, qué datos son públicos y cómo leerlos con criterio.